CN115063494B - 火星图像压缩方法、装置、计算机设备和存储介质 - Google Patents
火星图像压缩方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115063494B CN115063494B CN202210762210.9A CN202210762210A CN115063494B CN 115063494 B CN115063494 B CN 115063494B CN 202210762210 A CN202210762210 A CN 202210762210A CN 115063494 B CN115063494 B CN 115063494B
- Authority
- CN
- China
- Prior art keywords
- image
- compressed
- spark
- mars
- image compression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006835 compression Effects 0.000 title claims abstract description 206
- 238000007906 compression Methods 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 60
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本申请实施例提供了一种火星图像压缩方法、装置、计算机设备和存储介质,涉及图像处理技术领域。该方法包括:获取待压缩火星图像;根据待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对待压缩火星图像进行压缩;目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、第二解码器;第一编码器、第一解码器、第二编码器、第二解码器均包括一个或多个非局部模块,非局部模块用于提取待压缩火星图像的非局部特征;若是,则将待压缩火星图像输入目标火星图像压缩模型进行压缩,获取待压缩火星图像对应的压缩图像。用于解决现有的图像压缩方法不能对非局部相似度较高的火星图像实现高效压缩的问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种火星图像压缩方法、装置、计算机设备和存储介质。
背景技术
图像压缩是消除冗余数据的过程,在通信带宽较小的情况下,需要使用高效的图像压缩方法对原始图像数据进行压缩,以减小表征图像所需要的数据量,提高传输效率。
目前,常见的图像压缩包括无损压缩和有损压缩,在实际应用中,常见的有损图像压缩方法是基于JPEG、JPEG2000、HEVC等压缩标准的图像压缩方法,但这些图像压缩方法的编码工具比较复杂,很难实现所有工具的联合优化。随着深度学习的迅速发展,端到端图像压缩技术实现了整个编码框架的联合优化,但火星图像的非局部相似度较高,目前的图像压缩方法并不能实现对火星图像的高效压缩。因此如何实现对火星图像的高效压缩是亟待解决的问题。
发明内容
为了解决现有的图像压缩技术不能对非局部相似度较高的火星图像进行高效压缩的技术问题,本申请提供一种火星图像压缩方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种火星图像压缩方法,所述方法包括:
获取待压缩火星图像;
根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征;
若是,则将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像。
在本申请一些实施例中,所述非局部模块包括非局部块、多个残差块,以及一个或多个卷积层;其中,所述非局部块与多个残差块连接,残差块之后连接一个卷积层,所述非局部块包括多个下采样单元和多个最大池化层。
在本申请一些实施例中,在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,所述方法还包括:获取所述待压缩火星图像的非局部相似度;
所述获取所述待压缩火星图像的非局部相似度,包括:
将所述待压缩火星图像分割为多个第一图像块,所述多个第一图像块互不重叠;
确定所述多个第一图像块之间的结构相似性或均方根误差,并根据所述结构相似性或所述均方根误差确定所述待压缩火星图像的非局部相似度。
在本申请一些实施例中,在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,所述方法还包括:获取所述待压缩火星图像的非局部相似度;
所述获取所述待压缩火星图像的非局部相似度,包括:
对所述待压缩火星图像加入加性高斯噪声,得到加噪火星图像;
将所述加噪火星图像分割为多个第二图像块,并将所述第二图像块中相似的图像块匹配在一起进行滤波处理,得到去噪火星图像;
获取所述待压缩火星图像和所述去噪火星图像的峰值信噪比,根据所述峰值信噪比确定所述待压缩火星图像的非局部相似度。
在本申请一些实施例中,在将所述待压缩火星图像输入目标火星图像压缩模型进行压缩之前,所述方法还包括:获取所述目标火星图像压缩模型;
其中,所述获取所述目标火星图像压缩模型包括:
在超先验模型中插入一个或多个非局部模块,构建初始火星图像压缩模型;
根据目标样本数据集中图像的非局部相似度与所述预设相似度阈值的关系获取训练样本集,并基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型。
在本申请一些实施例中,所述基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型,包括:
将所述训练图像输入所述初始火星图像压缩模型,获取所述训练图像对应的压缩图像;
根据所述训练图像对应的压缩图像的失真和编码码率对初始火星图像压缩模型的权重参数进行调整,直至预设损失函数收敛,得到所述目标火星图像压缩模型。
在本申请一些实施例中,所述方法还包括:获取验证数据集,并基于所述验证数据集对所述目标火星图像压缩模型的超参数进行调整,以提高所述目标火星图像压缩模型的准确率。
第二方面,本申请实施例提供一种火星图像压缩装置,包括:
采集模块,用于获取待压缩火星图像;
判断模块,用于根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征;
处理模块,用于将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像。
在本申请一些实施例中,所述非局部模块包括非局部块、多个残差块,以及一个或多个卷积层;其中,所述非局部块与多个残差块连接,残差块之后连接一个卷积层,所述非局部块包括多个下采样单元和多个最大池化层。
在本申请一些实施例中,所述装置还包括计算模块;在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,用于将所述待压缩火星图像分割为多个第一图像块,所述多个第一图像块互不重叠;
确定所述多个第一图像块之间的结构相似性或均方根误差,并根据所述结构相似性或所述均方根误差确定所述待压缩火星图像的非局部相似度。
在本申请一些实施例中,所述计算模块还用于对所述待压缩火星图像加入加性高斯噪声,得到加噪火星图像;
将所述加噪火星图像分割为多个第二图像块,并将所述第二图像块中相似的图像块匹配在一起进行滤波处理,得到去噪火星图像;
获取所述待压缩火星图像和所述去噪火星图像的峰值信噪比,根据所述峰值信噪比确定所述待压缩火星图像的非局部相似度。
在本申请一些实施例中,所述装置还包括构建模块,用于在将所述待压缩火星图像输入目标火星图像压缩模型进行压缩之前,获取所述目标火星图像压缩模型;
其中,所述获取所述目标火星图像压缩模型包括:
在超先验模型中插入一个或多个非局部模块,构建初始火星图像压缩模型;
根据目标样本数据集中图像的非局部相似度与所述预设相似度阈值的关系获取训练样本集,并基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型。
在本申请一些实施例中,所述构建模块,具体用于将所述训练图像输入所述初始火星图像压缩模型,获取所述训练图像对应的压缩图像;
根据所述训练图像对应的压缩图像的失真和编码码率对初始火星图像压缩模型的权重参数进行调整,直至预设损失函数收敛,得到所述目标火星图像压缩模型。
在本申请一些实施例中,所述装置还包括验证模块,用于获取验证数据集,并基于所述验证数据集对所述目标火星图像压缩模型的超参数进行调整,以提高所述目标火星图像压缩模型的准确率。
第三方面,本申请实施例提供了一种计算机设备,包括:存储器和处理器,存储器用于存储计算机程序;处理器用于在调用计算机程序时执行第一方面或第一方面任一种可选的实施方式所述的火星图像压缩方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面或第一方面任一种可选的实施方式所述的火星图像压缩方法的步骤。
本申请第一方面实施例提供的火星图像压缩方法包括:获取待压缩火星图像;根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;若是,则将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像;所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征。本申请实施例中通过在目标火星图像压缩模型的编码器和解码器插入非局部模块,可以实现对待压缩火星图像的非局部特征进行提取,从而实现对非局部相似度较高的火星图像进行高效压缩,在编码码率较小的情况下,保证火星图像压缩后的失真较小。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的火星图像压缩方法的步骤流程图;
图2a为本申请一个实施例提供的目标火星图像压缩模型的结构框图;
图2b为本申请一个实施例提供的目标火星图像压缩模型中非局部模块的结构框图;
图3为本申请另一个实施例提供的火星图像压缩方法的步骤流程图;
图4为本申请一个实施例中非局部块的结构示意图;
图5a为本申请一个实施例中目标火星图像压缩模型对待压缩火星图像进行压缩后的结果对比示意图;
图5b为本申请另一个实施例中目标火星图像压缩模型对待压缩火星图像进行压缩后的结果对比示意图;
图6为本申请一个实施例中火星图像压缩装置的结构框图;
图7为本申请另一个实施例中火星图像压缩装置的结构框图;
图8为本申请一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但本申请还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本申请的一部分实施例,而不是全部的实施例。
本申请的说明书和权利要求书中的术语“第一”和“第二”等是用于区别同步的对象,而不是用于描述对象的特定顺序。例如,第一功能和第二功能是用于区别不同的功能,而不是用于描述功能的特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,此外,在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
首先,对本申请实施例的应用场景进行示例性描述:本申请实施例提供的火星图像压缩方法可用于对非局部相似度较大的图像,本申请实施例以火星图像为例对本申请实施例提供的火星图像压缩方法进行说明,但需要说明的是,本申请实施例提供的火星图像压缩方法并不限于火星图像,也适用于其它非局部相似度较大的其它图像。
为支撑火星科学探索和研究,需将火星上获取的大量图像数据传输到地球。然而,由于地火通信距离远导致的通信带宽极窄,因此对这些大量数据进行压缩是必不可少的一步。目前,常见的针对图像的压缩标准有JPEG、JPEG2000、HEVC等,但这些现有压缩方法编码性能的提升主要通过加入更复杂的编码工具才能实现,这些编码工具的复杂性使得很难实现所有编码工具的联合优化。此外,针对极低码率的传输场景,可利用生成对抗网络只传输图像的部分信息,直接合成消耗码率较多的细节信息,从而节省编码比特并实现了主观质量较好的压缩图像,但这种压缩方法并不能对非局部相似度较大的火星图像实现高效压缩。
火星图像压缩时编码性能的衡量包括编码码率和失真,本申请实施例旨在找到编码码率和失真之间的平衡,使对火星图像压缩的性能最为高效。
基于此,本申请实施例提供了一种火星图像压缩方法,目标火星图像压缩模型的第一编码器、第一解码器、第二编码器、以及第二解码器中均插入了非局部模块,用于提取待压缩火星图像的非局部特征,从而实现对非局部相似度较大的火星图像的高效压缩。
其中,本申请实施例提供的火星图像压缩方法可以通过本申请实施例提供的火星图像压缩装置或电子设备来执行,该电子设备可以为手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)等终端设备,或者还可以为其他类型的终端设备,本申请实施例不进行具体限定。
下面通过几个具体实施例,对本申请提供的火星图像压缩方法进行详细阐述。
图1为本申请一个实施例提供的火星图像压缩方法的流程图,参照图1所示,本实施例提供的火星图像压缩方法包括以下步骤:
S110、获取待压缩火星图像。
其中,本实施例不对待压缩火星图像的获取方式进行具体限定。
S120、根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩。
其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征。
若是,则执行如下步骤S130。其中,预设相似度阈值可根据具体的应用场景确定。
需要说明的是,在本申请实施例中,待压缩火星图像的非局部相似度与预设相似度阈值的关系可理解为用于表示待压缩火星图像的非局部相似度的参数与该参数对应的预设参数阈值之间的关系,用于表示待压缩火星图像的非局部相似度的参数可以为一个或多个,如图像的结构相似性(structural similarity,SSIM)、均方根误差(Root MeanSquare Error,RMSE)、峰值信噪比(Peak Signal to Noise Ratio,PSNR)等等中的一个或多个。例如,待压缩火星图像的非局部相似度与预设相似度阈值的关系可以为待压缩火星图像的均方根误差与预设均方根误差阈值之间的关系,也可以为待压缩火星图像对应的峰值信噪比与预设峰值信噪比阈值之间的关系。
可选的,在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,可首先获取所述待压缩火星图像的非局部相似度与预设相似度阈值之间的关系,若待压缩火星图像的非局部相似度与预设相似度阈值的关系满足预设条件,则确定利用目标火星图像压缩模型对所述待压缩火星图像进行压缩。所述预设条件为用于选择非局部相似度较高的火星图像的条件。
其中,获取所述待压缩火星图像的非局部相似度可通过以下几种方式实现。
第一种实现方式、将所述待压缩火星图像分割为多个第一图像块,示例性的,可切割为128×160的图像块。所述多个第一图像块互不重叠;确定所述多个第一图像块之间的结构相似性或均方根误差,并根据所述结构相似性或所述均方根误差确定所述待压缩火星图像的非局部相似度与预设相似度阈值的关系。
其中,结构相似性可用于表征第一图像块的轮廓、细节等的相似性。结构相似性越强、均方根误差越小,说明第一图像块之间的相似度越高,待压缩火星图像的非局部相似度越高。
示例性的,当以RMSE表示待压缩火星图像的非局部相似度时,预设相似度阈值(预设RMSE阈值)可以为69.3080,即当待压缩火星图像对应的RMSE小于69.3080时,确定待压缩火星图像的非局部相似度与预设相似度阈值的关系满足预设条件,确定利用所述目标火星图像压缩模型对所述待压缩火星图像进行压缩。
第二种实现方式、对所述待压缩火星图像加入加性高斯噪声,得到加噪火星图像;将所述加噪火星图像分割为多个第二图像块,并将所述第二图像块中相似的图像块匹配在一起进行滤波处理,得到去噪火星图像;获取所述待压缩火星图像和所述去噪火星图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR),根据所述峰值信噪比确定所述待压缩火星图像的非局部相似度与预设相似度阈值的关系。
示例性的,当以PSNR表示待压缩火星图像的非局部相似度时,若加入加性高斯噪声的噪声强度的标准差为170时,预设相似度阈值可以为18.3443(预设PSNR值),即当待压缩火星图像对应的PSNR大于18.3443时,确定待压缩火星图像的非局部相似度与预设相似度阈值的关系满足预设条件,确定利用所述目标火星图像压缩模型对所述待压缩火星图像进行压缩。待压缩火星图像对应的PSNR越大,其非局部相似度越高。
此外,待压缩火星图像的非局部相似度还可基于RMSE和PSNR共同确定,即当RMSE小于预设RMSE阈值,且PSNR大于预设PSNR阈值时,待压缩火星图像的非局部相似度与预设相似度阈值的关系满足预设条件。
需要说明的是,所述预设相似度阈值可根据需要确定,以上只是作为示例性说明,不构成任何限定。
其中,将所述多个第二图像块中相似的图像块匹配在一起匹配可以理解为将相似的图像块进行重叠。
此外,可基于块匹配和三维滤波(Block-Matching and 3-dimesioanlFiltering,BM3D)确定多个第二图像块中相似的图像块,示例性的,对于每个第二图像块,在附近寻找最多MAXN1(超参数)个相似的第二图像块图块,为了避免噪点的影响,将图块经过2D变换后再用欧氏距离衡量相似程度。
可选的,可通过BM3D去噪算法去除待压缩火星图像上的高斯噪声,去噪的性能由峰值信噪比进行评估,峰值信噪比越高,说明去噪效果越好,匹配在一起进行处理的第二图像块的相似度越高。
S130、将所述待压缩火星图像输入目标火星图像压缩模型进行压缩,获取所述待压缩火星图像对应的压缩图像。
其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征。
示例性的,目标火星图像压缩模型的结构框图参照图2a所示,本申请实施例提供的火星图像压缩方法可基于图2a所示结构的模型对待压缩火星图像进行压缩。参照图2a所示,201为第一编码器,202为第一解码器,203为第二编码器(超先验编码器),204为第二解码器(超先验解码器),待压缩火星图像经所述第一编码器输入进行压缩,待压缩火星图像对应的压缩图像经第一解码器输出。其中,第一编码器和第一解码器用来压缩输入的待压缩火星图像,同时第二编码器和第二编解码器用于去除输入的待压缩火星图像的高维表征中存在的空域冗余,提升编码效率。其中,高维表征中的空域冗余即超先验,第二编码器和第二编解码器对所述待压缩火星图像进行压缩、重建,重建后的超先验可类比为传统压缩中的边信息,被输入第一编码器和第一解码器提升其熵编码效率。
参照图2a所示,Conv表示卷积层,abs表示绝对值,采用广义归一化除法GDN作为激活函数,对每一位数据进行非线性映射;IGDN为GDN的逆变换,与编码器中激活层相对应,Q表示量化;AE表示算术编码,AD表示算术解码,二者都是熵编码的一部分;ReLU表示修正线性单元。其中,多个结合GDN和修正线性单元(Rectified Linear Unit,ReLU)的卷积层将输入图像或超先验转换为潜在(高维)表征。由于量化和熵编码都是不可导的,因此在网络训练阶段,可导的加性均匀噪声用来近似量化,交叉熵近似熵编码。在网络测试阶段,采用真实的量化和熵编码获得最终的压缩图像和压缩码率。
非局部模块的结构框架参照图2b所示,Sigmoid表示Sigmoid激活函数。输入图像经过非局部块、以及非局部块之后的连接的多个残差块之后,通过卷积层执行卷积操作,得到卷积结果,将卷积结果通过激活函数映射后,与另一残差块的输出进行点乘操作,将点乘结果与非局部块的输入进行加和操作,得到输入图像对应的特征图。
本申请第一方面实施例提供的火星图像压缩方法包括:获取待压缩火星图像;根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;若是,则将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像;所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征。本申请实施例中通过在目标火星图像压缩模型的编码器和解码器插入非局部模块,可以实现对待压缩火星图像的非局部特征进行提取,从而实现对非局部相似度较高的火星图像进行高效压缩,在编码码率较小的情况下,保证了火星图像压缩后的失真较小。
参照图3所示,图3为本申请另一个实施例提供的火星图像压缩方法的流程图,结合图1所示,在图1所示实施例的基础上,步骤S110之前还包括构建目标火星图像压缩模型,示例性的,构建目标火星图像压缩模型可包括如下步骤:
S310、在超先验模型中插入一个或多个非局部模块,构建初始火星图像压缩模型。
其中,所述非局部模块包括非局部块、多个残差块,以及一个或多个卷积层;其中,所述非局部块与多个残差块连接,残差块之后连接一个卷积层,所述非局部块包括多个下采样单元和多个最大池化层。
示例性的,参照图4所示,图4为非局部块的结构示意图,该非局部块包括多个下采样单元和多个最大池化层,下采样单元用于将输入通道C下采样为C/s,最大池化层用于将分辨率H×W下采样为H×W/d2。
S320、根据目标样本数据集中图像的非局部相似度与所述预设相似度阈值的关系获取训练样本集,并基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型。
示例性的,当以RMSE表示图像的非局部相似度时,将RMSE小于预设相似度阈值(预设RMSE阈值)的火星图像确定为训练图像加入训练样本集;当以PSNR表示图像的非局部相似度时,将PSNR大于预设相似度阈值(预设PSNR阈值)的火星图像加入训练样本集。图像的RMSE越小,PSNR越大,该图像的非局部相似度越高。
在本申请一个实施例中,可通过获取火星图像构建训练样本集。或通过获取火星图像以及非局部相似度满足预设相似度阈值的自然图像构建训练样本集。
在训练样本集包括的训练图像为火星图像的情况下,获取训练样本集包括:将登陆火星的毅力号火星车采集的火星图像作为初始样本数据集,初始样本数据集包含大量的彩色高分辨率(分辨率为1152×1600)的无损彩色火星图像,在初始样本数据集中选取相机系统左目相机拍摄的火星图像、舍弃右目相机拍摄的火星图像,从而去除图像间的冗余。此外,还删除了包含火星车、火星车轮子轨迹、火星车钻孔的图像和模糊图像,以及对选择的火星图像进行居中切割去除图像四周的黑块,得到目标样本数据集。在所述目标样本数据集中确定各火星图像的非局部相似度,根据各火星图像的非局部相似度与预设相似度阈值的关系确定训练样本集、验证数据集和测试数据集,其中,训练样本集、验证数据集和测试数据集中均为非局部相似度较高的火星图像,其非局部相似度与预设相似度阈值的关系满足预设条件。此外,可按照8:1:1的比例在目标样本数据集中确定训练样本集、验证数据集和测试数据集。示例性的,在满足预设条件的火星图像的数量为3860张的情况下,训练样本集中的训练图像为3088张,验证数据集和测试数据集中各包括386张火星图像。
此外,为了扩大训练样本集的数据量,提高目标火星图像压缩模型的准确度,还可选取非局部相似度与预设相似度阈值的关系满足预设条件自然图像,加入训练样本集。
其中,预设条件即为用于表示图像的非局部相似度的参数与该参数对应的预设参数阈值之间应满足的关系。示例性的,在基于目标数据集确定训练样本集时,也可采用获取图像的结构相似性或均方根误差对图像的非局部相似度进行度量,当基于均方根误差进行度量时,若火星图像的均方根误差小于预设均方根误差阈值,则可将该火星图像确定为训练样本集中的训练图像。此外,还可基于均方根误差和峰值信噪比共同确定练样本集、验证数据集和测试数据集,此处不再赘述。
或者,还可采用BM3D算法确定图像的非局部相似度,将非局部相似度满足预设条件的图像作为训练样本集中的训练图像。采用BM3D算法确定图像的非局部相似度的具体过程可参见前文描述,此处不再赘述。
示例性的,基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型可包括:
将所述训练图像输入所述初始火星图像压缩模型,获取所述训练图像对应的压缩图像;根据所述训练图像对应的压缩图像的失真和编码码率对初始火星图像压缩模型的权重参数进行调整,直至预设损失函数收敛,得到所述目标火星图像压缩模型。
其中,可将所述训练图像切割为512×512的图像块输入所述初始火星图像压缩模型,对所述初始火星图像压缩模型进行训练。
所述损失函数包括:
L=R+λD=i+h+λD;
其中,R为编码码率,编码码率R包含图像的编码码率Ri和超先验的编码码率Rh,D为图像失真,λ表示编码码率R和图像失真D的权衡,λ越高,以编码码率的增加为代价换取失真越小,反之亦然。
此外,在训练过程中,选择Adam优化器,设置初始学习率为0.0001,在非局部块中,设置通道下采样倍数s和分辨率下采样倍数d为4。
进一步的,在得到目标火星图像压缩模型之后,还包括:获取验证数据集,并基于所述验证数据集对所述目标火星图像压缩模型的超参数进行调整,以提高所述目标火星图像压缩模型的准确率,即提高目标火星图像压缩模型的泛化能力。
更进一步的,在基于验证数据集获取到最优的目标火星图像压缩模型之后,还可通过测试数据集对所述目标火星图像压缩模型的准确性进行测试。
可选的,在得到目标火星图像压缩模型后,本申请实施例还通过以下几种示例性方法验证了目标火星图像压缩模型对待压缩火星图像进行压缩的有效性。
示例一、通过对比试验验证目标火星图像压缩模型对待压缩火星图像进行压缩的有效性:获取测试集中的火星图像,基于目标火星图像压缩模型和HEVC算法对测试集中的火星图像进行压缩。分别获取目标火星图像压缩模型和现有算法(HEVC)对测试集中的火星图像进行压缩的“编码码率-失真”曲线。以PSNR为指标的“编码码率-失真”曲线如图5a所示,曲线501为目标火星图像压缩模型对应的“编码码率-失真”曲线,曲线502为现有算法对应的“编码码率-失真”曲线;以MS-SSIM为指标的“编码码率-失真”曲线如图5b所示,曲线503为目标火星图像压缩模型对应的“编码码率-失真”曲线,曲线504为现有算法对应的“编码码率-失真”曲线。其中,横坐标表示码率(比特深度)。显然,目标火星图像压缩模型实现了最好的编码效果。
本实施例通过采用不同的火星图像压缩方法对测试集中的火星图像进行压缩,以JPEG为基准,计算BD-PSNR(db),BD-MSSSIM以及对应的BD-rate(%),结果如下表1所示。
表1
其中,BD-PSNR(dB)和BD-MSSSIM指标越高,表明对火星图像的压缩效果越好;BD-rate(%)指标越低,对火星图像的压缩效果越好。
示例二、通过消融实验对目标火星图像压缩模型的有效性进行验证。具体的,将非局部模块从目标火星图像压缩模型中去除,利用得到的新模型对测试集中的火星图像进行压缩,将压缩效果与目标火星图像压缩模型对该火星图像进行压缩的压缩效果进行对比。进一步表明目标火星图像压缩模型具有更高的编码性能,即可对火星图像进行高效压缩。
基于同一发明构思,作为对上述方法的实现,本申请实施例还提供了一种火星图像压缩装置,该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的火星图像压缩装置能够对应实现前述方法实施例中的全部内容。
图6为本申请一个实施例提供的火星图像压缩装置的结构框图,如图6所示,本实施例提供的轨道交通站点播报装置600包括:
采集模块610,用于获取待压缩火星图像;
判断模块620,用于根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征;
处理模块630,用于将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像。
在本申请一些实施例中,所述非局部模块包括非局部块、多个残差块,以及一个或多个卷积层;其中,所述非局部块与多个残差块连接,残差块之后连接一个卷积层,所述非局部块包括多个下采样单元和多个最大池化层。
图7为本申请另一个实施例提供的火星图像压缩装置的结构框图,如图7所示,在图6所示装置的基础上,还包括计算模块710;在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,用于将所述待压缩火星图像分割为多个第一图像块,所述多个第一图像块互不重叠;确定所述多个第一图像块之间的结构相似性或均方根误差,并根据所述结构相似性或所述均方根误差确定所述待压缩火星图像的非局部相似度与预设相似度阈值的关系。
在本申请一些实施例中,所述计算模块710还用于对所述待压缩火星图像加入加性高斯噪声,得到加噪火星图像;将所述加噪火星图像分割为多个第二图像块,并将所述第二图像块中相似的图像块匹配在一起进行滤波处理,得到去噪火星图像;获取所述待压缩火星图像和所述去噪火星图像的峰值信噪比,根据所述峰值信噪比确定所述待压缩火星图像的非局部相似度与预设相似度阈值的关系。
在本申请一些实施例中,所述装置还包括构建模块720,用于在将所述待压缩火星图像输入目标火星图像压缩模型进行压缩之前,获取所述目标火星图像压缩模型;其中,所述获取所述目标火星图像压缩模型包括:
在超先验模型中插入一个或多个非局部模块,构建初始火星图像压缩模型;根据目标样本数据集中图像的非局部相似度与所述预设相似度阈值的关系获取训练样本集,并基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型。
在本申请一些实施例中,所述构建模块720,具体用于将所述训练图像输入所述初始火星图像压缩模型,获取所述训练图像对应的压缩图像;根据所述训练图像对应的压缩图像的失真和编码码率对初始火星图像压缩模型的权重参数进行调整,直至预设损失函数收敛,得到所述目标火星图像压缩模型。
在本申请一些实施例中,所述装置还包括验证模块730,用于获取验证数据集,并基于所述验证数据集对所述目标火星图像压缩模型的超参数进行调整,以提高所述目标火星图像压缩模型的准确率。
本实施例提供的火星图像压缩装置可以执行上述方法实施例提供的轨道交通站点播报方法,其实现原理与技术效果类似,此处不再赘述。
关于火星图像压缩装置的具体限定可以参见上文中对于火星图像压缩方法的限定,在此不再赘述。上述火星图像压缩装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种火星图像压缩方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的火星图像压缩方法可以实现为一种计算机程序的形式,计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该火星图像压缩装置的各个程序模块,比如,图6所示的判断模块620、处理模块630。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的火星图像压缩方法中的步骤。
在一个实施例中,提供了一种电子设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现本申请任一实施例所述的火星图像压缩方法。
本实施例提供的电子设备,可以实现上述方法实施例提供的火星图像压缩方法,其实现原理与技术效果类似,此处不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任一实施例所述的火星图像压缩方法。
本实施例提供的计算机可读存储介质上存储的计算机程序,可以实现上述方法实施例提供的火星图像压缩方法,其实现原理与技术效果类似,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种火星图像压缩方法,其特征在于,所述方法包括:
获取待压缩火星图像;
根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征;
若是,则将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像。
2.根据权利要求1所述的方法,其特征在于,
所述非局部模块包括非局部块、多个残差块,以及一个或多个卷积层;其中,所述非局部块与多个残差块连接,残差块之后连接一个卷积层,所述非局部块包括多个下采样单元和多个最大池化层。
3.根据权利要求1所述的方法,其特征在于,在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,所述方法还包括:
将所述待压缩火星图像分割为多个第一图像块,所述多个第一图像块互不重叠;
确定所述多个第一图像块之间的结构相似性或均方根误差,并根据所述结构相似性或所述均方根误差确定所述待压缩火星图像的非局部相似度与预设相似度阈值的关系。
4.根据权利要求1所述的方法,其特征在于,在根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩之前,所述方法还包括:
对所述待压缩火星图像加入加性高斯噪声,得到加噪火星图像;
将所述加噪火星图像分割为多个第二图像块,并将所述第二图像块中相似的图像块匹配在一起进行滤波处理,得到去噪火星图像;
获取所述待压缩火星图像和所述去噪火星图像的峰值信噪比,根据所述峰值信噪比确定所述待压缩火星图像的非局部相似度与预设相似度阈值的关系。
5.根据权利要求1所述的方法,其特征在于,在获取待压缩火星图像之前,所述方法还包括:获取所述目标火星图像压缩模型;
其中,所述获取所述目标火星图像压缩模型包括:
在超先验模型中插入一个或多个非局部模块,构建初始火星图像压缩模型;
根据目标样本数据集中图像的非局部相似度与所述预设相似度阈值的关系获取训练样本集,并基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述训练样本集对所述初始火星图像压缩模型进行训练,得到所述目标火星图像压缩模型,包括:
将训练图像输入所述初始火星图像压缩模型,获取所述训练图像对应的压缩图像;
根据所述训练图像对应的压缩图像的失真和编码码率对初始火星图像压缩模型的权重参数进行调整,直至预设损失函数收敛,得到所述目标火星图像压缩模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取验证数据集,并基于所述验证数据集对所述目标火星图像压缩模型的超参数进行调整,以提高所述目标火星图像压缩模型的准确率。
8.一种火星图像压缩装置,其特征在于,包括:
采集模块,用于获取待压缩火星图像;
判断模块,用于根据所述待压缩火星图像的非局部相似度与预设相似度阈值的关系,判断是否利用目标火星图像压缩模型对所述待压缩火星图像进行压缩;其中,所述目标火星图像压缩模型包括第一编码器、第一解码器、第二编码器、以及第二解码器,其中,所述第一编码器、所述第一解码器、所述第二编码器、以及所述第二解码器均包括一个或多个非局部模块,所述非局部模块用于提取所述待压缩火星图像的非局部特征;
处理模块,用于将所述待压缩火星图像输入所述目标火星图像压缩模型,获取所述待压缩火星图像对应的压缩图像。
9.一种计算机设备,其特征在于,包括:存储器和处理器,存储器用于存储计算机程序;处理器用于在调用计算机程序时执行权利要求1-7任一项所述的火星图像压缩方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,计算机程序被处理器执行时实现权利要求1-7任一项所述的火星图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762210.9A CN115063494B (zh) | 2022-06-29 | 2022-06-29 | 火星图像压缩方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762210.9A CN115063494B (zh) | 2022-06-29 | 2022-06-29 | 火星图像压缩方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063494A CN115063494A (zh) | 2022-09-16 |
CN115063494B true CN115063494B (zh) | 2024-05-28 |
Family
ID=83205179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210762210.9A Active CN115063494B (zh) | 2022-06-29 | 2022-06-29 | 火星图像压缩方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063494B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581539A (zh) * | 2022-01-26 | 2022-06-03 | 重庆七腾科技有限公司 | 一种压缩感知图像重构方法、设备、存储介质及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210066653A (ko) * | 2019-11-28 | 2021-06-07 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
-
2022
- 2022-06-29 CN CN202210762210.9A patent/CN115063494B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581539A (zh) * | 2022-01-26 | 2022-06-03 | 重庆七腾科技有限公司 | 一种压缩感知图像重构方法、设备、存储介质及系统 |
Non-Patent Citations (3)
Title |
---|
A Learning-based Approach for Martian Image Compression;Qing Ding等;2022 IEEE International Conference on Visual Communications and Image Processing (VCIP);20230116;全文 * |
Depth Estimation of Martian Surface using ISRO’s MARS Color Camera Images;Akash Khamkar等;2021 2nd Global Conference for Advancement in Technology (GCAT);20211109;全文 * |
基于非局部相似性和交替迭代优化算法的图像压缩感知;陈书贞等;信号处理;20120229;第28卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115063494A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krishnaraj et al. | Deep learning model for real-time image compression in Internet of Underwater Things (IoUT) | |
KR102332476B1 (ko) | 신경망을 이용한 타일 이미지 압축 | |
Cheng et al. | Learning image and video compression through spatial-temporal energy compaction | |
CN103748876B (zh) | 有损压缩编码数据方法和设备以及相应的重构数据方法和设备 | |
CN111710007A (zh) | 用于压缩的方法和系统 | |
US11412225B2 (en) | Method and apparatus for image processing using context-adaptive entropy model | |
EP2145476B1 (en) | Image compression and decompression using the pixon method | |
Nikolakopoulos et al. | A dual scheme for compression and restoration of sequentially transmitted images over Wireless Sensor Networks | |
KR20200138079A (ko) | 전역적 문맥을 이용하는 기계 학습 기반의 이미지 압축을 위한 방법 및 장치 | |
CN104581158A (zh) | 量化表、图像压缩处理方法、装置、终端及图像搜索系统 | |
CN115063494B (zh) | 火星图像压缩方法、装置、计算机设备和存储介质 | |
CN115880381A (zh) | 图像处理方法、图像处理装置、模型训练方法 | |
CN114651270A (zh) | 通过时间可变形卷积进行深度环路滤波 | |
US10390025B2 (en) | Method and apparatus for encoding and decoding video signal using improved prediction filter | |
CN111050170A (zh) | 基于gan的图片压缩系统构建方法、压缩系统及方法 | |
Bletterer et al. | Point cloud compression using depth maps | |
CN112954350B (zh) | 一种基于帧分类的视频后处理优化方法及装置 | |
Petrov et al. | Intra frame compression and video restoration based on conditional markov processes theory | |
CN115294222A (zh) | 图像编码方法及图像处理方法、终端及介质 | |
CN103678801A (zh) | 一种基于图像信息熵的自适应压缩感知采样方法 | |
CN114882133B (zh) | 一种图像编解码方法、系统、设备及介质 | |
WO2024078403A1 (zh) | 图像处理方法、装置及设备 | |
US20230012229A1 (en) | Image encoding method, image decoding method, image encoding apparatus, image decoding apparatus and program | |
CN116778002A (zh) | 编解码方法、装置、设备、存储介质及计算机程序产品 | |
Li et al. | Learned Structure-Based Hybrid Framework for Martian Image Compression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |